EEG 数据预测偏移适应的测地线优化

基于摘要分析。本文研究不同人群和 EEG 设备造成的特征 X 与生物医学目标 y 同时分布偏移，提出 Geodesic Optimization for Predictive Shift Adaptation（GOPSA），用于源域具有不同 y 分布时的测试时多源域适应。主要研究对象是静息态 EEG 的跨站点年龄预测，而非 BCI 控制任务。 方法以 EEG 空间协方差矩阵为表示，利用其所在对称正定（SPD）矩阵流形的黎曼几何与测地线结构，联合学习域特异性重中心化算子和回归模型。摘要将该算子解释为站点特异性截距，旨在同时处理站点差异与预测目标分布差异，而不只是对齐 EEG 特征。具体优化目标、重中心化参数化方式、训练与测试时的估计流程，以及目标站点是否需要标签或其他统计信息，尚未验证。 作者报告，在包含 14 个记录站点、超过 1500 名参与者的跨国 HarMNqEEG 数据集上，以静息态 EEG 年龄预测评估跨站点泛化；在若干源站点—目标站点组合中，GOPSA 相比所比较的先进方法，在 R²、MAE 和 Spearman’s ρ 三项回归指标上取得显著更优的表现。摘要未提供具体数值、基线名称、站点划分或显著性检验细节，因此不能据此判断改进幅度或所有站点上的一致性。实验协议、消融及统计信息尚未验证。 复现应重点核对多源站点的组织方式、目标站点测试时可用信息、协方差估计与预处理、年龄分布差异，以及站点特异性参数的估计条件。作者认为该方法有潜力结合混合效应建模与机器学习的优势，用于多中心临床试验等 EEG 生物医学场景；这属于应用潜力判断，摘要并未提供相应临床验证，也不能直接视为 BCI 解码效果的证据。